因果圖理論及其用于復(fù)雜系統(tǒng)故障診斷研究.pdf

1、人工智能的核心問題之一是如何表達已有知識以及如何應(yīng)用已有知識進行分析處理或推理，以得到新的知識。其中，猶以不確定性知識表達和推理最為重要，也十分困難。不確定的知識表達可分為兩大類：一類是基于概率的方法，包括信度網(wǎng)、因果圖、馬爾可夫網(wǎng)以及在PROSPECTOR中使用的方法等。另一類是非概率的方法，包括MYCIN的信度因子、模糊邏輯以及Dempster-Shafer的證據(jù)理論等。在基于概率論的不確定性推理理論中，信度網(wǎng)模型因其具有理論上的嚴

2、格性和一致性，具有有效地局部計算機制和直觀的圖形化知識表達，正日益受到高度重視。在信度網(wǎng)基礎(chǔ)上發(fā)展起來的因果圖模型，通過引入布爾邏輯運算，克服了信度網(wǎng)模型在知識表達和推理方面的一些不足，具有重要的工業(yè)應(yīng)用價值。本文深入研究了因果圖理論及其用于復(fù)雜系統(tǒng)故障診斷的方法。 在介紹因果圖知識表達模型、總結(jié)單值因果圖的常規(guī)推理算法后，針對單值因果圖常規(guī)推理算法中存在邏輯運算量大、計算復(fù)雜的困難，根據(jù)早期不交化的思想，提出了一種單值因果圖推

3、理新方法。該方法通過對因果圖進行正規(guī)化、標準化變換，將因果圖轉(zhuǎn)化為以每個節(jié)點事件為根的一棵棵標準化的因果樹；定義了割集矩陣及對割集矩陣的四種操作，利用割集矩陣導(dǎo)出了因果圖早期不交化推理新算法。該方法能有效地消除標準因果樹中重復(fù)事件的影響，而利用割集矩陣的數(shù)值運算能提高邏輯吸收運算的速度。從總體上降低了因果圖推理的NP難問題，提高了推理計算速度。這對因果圖模型在故障診斷等實際領(lǐng)域中的應(yīng)用具有重要意義。因為在實際領(lǐng)域中，如核電站故障診斷，因

4、果圖的規(guī)模不是很大，但存在邏輯門和環(huán)路，導(dǎo)致標準因果樹中存在大量的重復(fù)事件，嚴重影響了因果圖的推理計算速度。 討論了多值因果圖中存在的不嚴格滿足概率論的困難及其原因，以及由此困難而衍生的另一困難——將多值因果圖用于實際問題時，其推理結(jié)果可能出現(xiàn)錯誤。 針對多值因果圖存在不嚴格滿足概率論的困難，提出了一種因果影響分配算法。該算法對多值因果圖進行了補充定義，使多值因果圖能夠兼容單值因果圖；建立了核電站二回路系統(tǒng)中，蒸汽發(fā)生器

5、系統(tǒng)故障診斷原因的簡化因果圖；定義了事件變量狀態(tài)可能性，給出了節(jié)點事件變量狀態(tài)可能性值的精確計算方法和近似計算方法；給出了將多值因果圖轉(zhuǎn)化為單值因果圖的步驟，推導(dǎo)了連接事件概率的計算公式；給出了收到證據(jù)后，感興趣變量狀態(tài)的后驗概率計算方法；以一個實際的多值因果圖例子展示了推理計算的全過程。實例計算表明，補充定義后的因果圖能夠有效而方便的表達領(lǐng)域?qū)＜抑R，推理計算過程嚴謹，推理計算結(jié)果符合實際情況。 針對多值因果圖的推理算法只能處

6、理具有明確概念劃分多值因果圖，不能處理模糊的情況的局限性，在多值因果圖推理算法的基礎(chǔ)上提出了一種模糊推理算法。該算法對多值因果圖進行了模糊擴展定義，使每個基本事件或節(jié)點事件變量對應(yīng)一個能夠連續(xù)取值的讀數(shù)變量，在讀數(shù)變量和事件變量之間建立模糊對應(yīng)關(guān)系，用讀數(shù)變量的取值相對于事件變量各狀態(tài)的隸屬度函數(shù)來表達模糊知識；給出了用于構(gòu)造隸屬度函數(shù)的圖形分布，及隸屬度函數(shù)的構(gòu)造步驟；在事件變量上定義了一個等價的虛擬模糊狀態(tài)，使讀數(shù)變量的每一個取值對

7、應(yīng)一個模糊狀態(tài)，把讀數(shù)的模糊推理轉(zhuǎn)化為對應(yīng)模糊狀態(tài)的非模糊推理；給出了收到證據(jù)E下，感興趣變量H的讀數(shù)變量RH某取值rH的后驗概率計算方法，并推導(dǎo)了相應(yīng)的計算公式。該算法能夠處理模糊的多值因果圖，有效地表達實踐中模糊的不確定性知識，并具有一定的處理連續(xù)變量不確定性推理的能力。 在介紹可能性傳播圖模型的基礎(chǔ)上，通過模糊的方法，采用隸屬度函數(shù)和原因結(jié)果影響關(guān)系概率表來表達專家知識，在基于最大熵原則的假設(shè)下，導(dǎo)出了連接強度函數(shù)的表達式

8、，實現(xiàn)了模糊表達的專家知識向適合于可能性傳播圖推理的知識表達方式的轉(zhuǎn)變。從而較好的解決了可能性傳播圖模型在實際推廣應(yīng)用中的領(lǐng)域?qū)＜抑R獲取這一關(guān)鍵問題，這對可能性傳播圖模型的實際推廣應(yīng)用具有重要的意義。 主要討論了因果圖用于故障診斷的關(guān)鍵問題，有著重大的理論意義和應(yīng)用價值。以清華大學(xué)北京核電模擬培訓(xùn)中心的全尺寸950MW核電模擬機為故障診斷對象，建立該模擬機二回路典型故障診斷因果圖。討論了將多值因果圖用于故障診斷時，它與常規(guī)的因

9、果圖在知識表達上的不同。給出了故障模式的動態(tài)求取方法、靜態(tài)求取方法，以及有虛假信號時故障模式的求取方法。比較了兩種給定證據(jù)下故障模式條件概率的計算方法，并給出了利用證據(jù)重構(gòu)一個簡化因果圖的方法。給出了因果圖智能故障診斷平臺的設(shè)計原則、整體設(shè)計、核心推理機結(jié)構(gòu)和一些界面設(shè)計。完成了因果圖智能故障診斷平臺核心的研制與開發(fā)。在自行研制的因果圖智能故障診斷平臺上，對核電站二回路系統(tǒng)典型故障如泵、閥和管道破裂等進行了離線故障診斷。診斷結(jié)果符合實際